제품 적합성 측면에서 이번 암호화 AI 라운드에서 어떤 프로젝트가 기회를 가질 수 있을까?

2025.05.29

제품 적합성 측면에서 이번 암호화 AI 라운드에서 어떤 프로젝트가 기회를 가질 수 있을까?

암호화 기술과 AI의 다음 번 중요한 기회는 또 다른 투기적 토큰이 아니라 실제로 AI 발전을 진전시킬 수 있는 인프라이다.

2025.05.29 - 03:36:51

Web3 심층 보도에 집중하고 흐름을 통찰

암호화 기술과 AI의 다음 번 중요한 기회는 또 다른 투기적 토큰이 아니라 실제로 AI 발전을 진전시킬 수 있는 인프라이다.

저자: Evan ⨀

번역: TechFlow

암호화폐와 AI의 교차 분야는 여전히 매우 초기 단계에 있습니다. 시장에는 수많은 스마트 에이전트와 토큰이 등장했지만, 대부분의 프로젝트들은 디지털 게임에 불과하며 각 팀들이 가능한 많은 ‘슈팅’을 시도하고 있는 상황입니다.

AI가 우리 세대의 기술 혁명임에도 불구하고, 암호화폐와의 결합은 주로 AI 시장에 조기에 접근하기 위한 유동성 도구로 간주되고 있습니다.

따라서 이 교차 분야에서는 여러 사이클을 경험했으며, 대부분의 내러티브들이 '롤러코스터식' 흥망성쇠를 겪었습니다.

어떻게 하면 흥행 사이클을 깰 수 있을까요?

그렇다면 암호화폐와 AI의 다음 큰 기회는 어디에서 오는 것일까요? 어떤 애플리케이션이나 인프라가 진정한 가치를 창출하고 시장 적합성을 찾을 수 있을까요?

본문은 아래의 프레임워크를 통해 이 분야의 주요 관심사를 탐색하려 합니다:

AI가 암호화폐 산업에 어떻게 도움이 되는가?
암호화폐 산업이 어떻게 AI에 보답할 수 있는가?

특히 두 번째 항목인 탈중앙화 AI의 기회에 대해 저는 매우 관심이 있으며, 몇 가지 흥미로운 프로젝트들을 소개하겠습니다:

1. AI가 암호화폐 산업을 지원하는 방법

다음은 CV가 제공한 보다 포괄적인 생태계 지도입니다:

https://x.com/cbventures/status/1923401975766355982/photo/1

소비자용 AI, 스마트 에이전트 프레임워크 및 런칭 플랫폼 등의 다양한 수직 분야가 존재하지만, AI는 이미 다음과 같은 세 가지 주요 영역에서 암호화폐 경험에 영향을 미치고 있습니다:

1. 개발자 도구

Web2와 마찬가지로, AI는 노코드(no-code) 및 로우코드(vibe-code) 플랫폼을 통해 암호화폐 프로젝트 개발을 가속화하고 있습니다. 이러한 애플리케이션들 중 다수는 Lovable.dev와 같은 전통적 분야의 목표와 유사합니다.

@poofnew 및 @tryoharaAI 같은 팀들은 스마트 계약에 대한 심층적인 지식 없이도 비기술적 개발자들이 신속하게 출시하고 반복 작업할 수 있도록 돕고 있습니다. 이는 암호화폐 프로젝트의 시장 출시 시간을 단축시킬 뿐 아니라, 기술적 배경이 없는 시장 이해자들과 창의적인 인재들의 진입 장벽도 낮춥니다.

또한 스마트 계약 테스트 및 보안성 등 개발자 경험의 다른 부분들도 최적화되고 있습니다: @AIWayfinder, @octane_security

2. 사용자 경험(UX)

암호화폐 분야는 입문 절차 및 지갑 경험에서 상당한 진전을 이루었지만(Bridge, Sphere Pay, Turnkey, Privy 등), 핵심적인 암호화폐 사용자 경험(UX)은 질적인 변화를 겪지 못했습니다. 사용자들은 여전히 복잡한 블록체인 탐색기를 수동으로 검색하고 다단계 거래를 수행해야 합니다.

AI 스마트 에이전트는 이러한 현상을 바꾸며 새로운 상호작용 계층이 되고 있습니다:

검색 및 발견: 팀들은 "블록체인 버전 Perplexity"와 유사한 도구 개발 경쟁에 나서고 있습니다. 이러한 채팅 기반 자연어 인터페이스는 원시 거래 데이터를 처리할 필요 없이 시장 정보(alpha), 스마트 계약 이해, 체인상 행동 분석 등을 쉽게 할 수 있게 해줍니다.

더 큰 기회는 스마트 에이전트가 사용자가 새 프로젝트, 수익 기회, 토큰을 발견하는 입구가 될 수 있다는 점입니다. Kaito가 자신의 런칭 플랫폼에서 프로젝트의 주목도를 높이는 방식과 유사하게, 에이전트는 사용자 행동을 이해하고 사용자가 필요한 콘텐츠를 능동적으로 제시할 수 있습니다. 이는 지속 가능한 비즈니스 모델을 창출할 뿐 아니라 수익 공유나 제휴 수수료를 통한 수익화도 가능하게 합니다.

의도 기반 작업: 사용자는 여러 인터페이스를 클릭할 필요 없이 자신의 의도(예: "$1000 worth of ETH를 가장 높은 수익률을 내는 스테이블코인 포지션으로 교환")만 표현하면, 에이전트가 복잡한 다단계 거래를 자동으로 실행합니다.

오류 예방: AI는 잘못된 거래 금액 입력, 사기성 토큰 구매, 악성 계약 승인과 같은 일반적인 오류를 방지할 수 있습니다.

Hey Anon이DeFAI 자동화를 어떻게 실현하는지에 대한 추가 정보:

3. 거래 도구 및 DeFi 자동화

현재 많은 팀들이 사용자에게 더 스마트한 거래 신호를 제공하거나, 사용자를 대신해 거래하거나, 전략을 최적화하고 관리하는 스마트 에이전트 개발에 뛰어들고 있습니다.

수익 최적화

에이전트는 금리 변화와 리스크 상태에 따라 자금을 대출 프로토콜, 탈중앙화 거래소(DEX), 팜 기회 사이에서 자동으로 이동시킬 수 있습니다.

거래 실행

AI는 시장 데이터를 더 빠르게 처리하고 감정을 관리하며 사전 설정된 프레임워크를 따름으로써 인간보다 우수한 전략을 실행할 수 있습니다.

포트폴리오 관리

에이전트는 포트폴리오 재균형, 리스크 노출 관리, 그리고 서로 다른 체인과 프로토콜 간 차익거래 기회 포착이 가능합니다.

어떤 에이전트가 인간보다 자금을 실제로 지속적으로 더 잘 관리한다면, 이는 기존 DeFi AI 에이전트의 한 차원 위의 진보가 될 것입니다. 현재의 DeFi AI는 주로 사용자의 사전 정의된 의도를 실행하는 데 도움을 주지만, 이것은 완전 자동화된 자금 관리로 나아가는 길입니다. 그러나 이러한 전환에 대한 사용자 수용도는 전기자동차 보급 과정과 유사하며, 규모화된 검증 이전까지는 여전히 큰 신뢰 격차가 존재합니다. 하지만 성공한다면 이 기술은 해당 분야에서 가장 큰 가치를 포착할 가능성이 있습니다.

이 분야의 승자는 누구인가?

일부 독립 애플리케이션이 유통 측면에서 이점을 가질 수 있지만, 기존 프로토콜이 직접 AI 기술을 통합하는 것이 더 가능성 높은 시나리오입니다:

DEX(탈중앙화 거래소): 보다 스마트한 라우팅 선택과 사기 보호 기능 구현.
대출 프로토콜: 사용자 리스크 상태에 따라 수익을 자동 최적화하고, 대출 건강 지수가 일정 기준 이하로 떨어질 때 상환하여 정산 리스크를 줄임.
지갑: 사용자 의도를 이해하는 AI 어시스턴트로 발전.
거래 플랫폼: 사용자가 거래 전략을 고수하도록 돕는 AI 보조 도구 제공.

최종 비전

암호화폐 분야의 인터페이스는 대화형 AI와 결합되어 사용자의 재무 목표를 이해하고, 사용자 자신보다 더 효율적으로 그 목표를 수행하게 될 것입니다.

2. 암호화가 AI를 지원함: 탈중앙화 AI의 미래

제 생각에 암호화가 AI에 미칠 수 있는 잠재력은 AI가 암호화에 미치는 영향보다 훨씬 큽니다. 탈중앙화 AI에 종사하는 팀들은 AI의 미래에 관한 가장 근본적이면서도 실제적인 문제들을 탐구하고 있습니다:

거대한 자본지출(capex)이 필요한 중앙집중식 테크 거물들에 의존하지 않고도 최첨단 모델을 개발할 수 있을까?
전 세계적으로 분산된 컴퓨팅 자원을 조정하여 모델을 효율적으로 학습시키거나 데이터를 생성할 수 있을까?
인간의 가장 강력한 기술이 소수 회사들에 의해 통제된다면 무슨 일이 벌어질까?

이 분야에 대해 깊이 이해하기 위해, @yb_effect 의 탈중앙화 AI(DeAI)에 관한글을 읽어보시길 강력히 추천합니다.

빙산의 일각만 보더라도, 암호화와 AI의 교차점에서 다가올 다음 물결은 연구 중심의 학술 AI 팀들로부터 올 가능성이 큽니다. 이 팀들은 오픈소스 AI 커뮤니티에서 비롯되었으며, 탈중앙화 AI의 실제적 의미와 철학적 가치를 깊이 이해하고 있으며, 이를 AI 확장의 최선의 방법으로 여깁니다.

AI가 현재 직면한 문제는 무엇인가?

2017년, 상징적인 논문 《Attention Is All You Need》는 수십 년간의 딥러닝 분야 핵심 난제를 해결한 트랜스포머 아키텍처를 제안했습니다. 2019년 ChatGPT 출시 이후 트랜스포머 아키텍처는 대부분의 대규모 언어 모델(LLMs)의 기반이 되었으며, 컴퓨팅 파워 경쟁의 물결을 일으켰습니다.

그 이후로 AI 학습에 필요한 컴퓨팅 능력은 매년 4배씩 증가하고 있습니다. 이는 사전 학습이 더 강력한 GPU에 의존하게 되고, 이러한 자원은 가장 큰 테크 거물들만 소유하게 됨으로써 AI 개발의 고도로 집중된 구조를 초래했습니다.

이데올로기적 관점에서 보면, 중앙집중식 AI는 문제가 됩니다. 왜냐하면 인류의 가장 강력한 도구가 언제든지 후원자에 의해 통제되거나 철회될 수 있기 때문입니다. 따라서 오픈소스 팀들이 중앙집중식 실험실의 진전 속도와 직접 경쟁할 수 없다 하더라도, 이런 상황에 도전하는 시도는 여전히 중요합니다.

암호화 기술은 오픈 모델 구축을 위한 경제적 조정 기반을 제공합니다. 그러나 이를 실현하기 전에 우리는 질문해야 합니다: 탈중앙화 AI는 이상을 만족시키는 것 외에 어떤 실제 문제를 해결할 수 있는가? 사람들이 공동 작업하는 것이 왜 중요한가?

다행히도 이 분야에 헌신하는 팀들은 매우 실용적입니다. 오픈소스는 기술 확장의 핵심 개념을 나타냅니다: 소규모 협력을 통해, 각 팀이 자신의 국소적 최대값을 최적화하고 이를 기반으로 점진적으로 구축함으로써 궁극적으로 자체 규모와 조직적 관성에 제한되는 중앙집중식 접근법보다 더 빨리 전역적 최대값에 도달할 수 있습니다.
동시에 특히 AI 분야에서, 오픈소스는 지능을 창출하는 데 필수적입니다—이 지능은 도덕화되지 않으며, 개인이 부여하는 다양한 역할과 성격에 적응할 수 있어야 합니다.

실제 운영에서 오픈소스는 매우 현실적인 인프라 제약을 해결하는 혁신의 문을 열 수 있습니다.

컴퓨팅 자원의 부족 현황

AI 모델 학습은 이미 막대한 에너지 인프라를 필요로 하고 있습니다. 현재 1~5기가와트 규모의 데이터센터를 건설하는 여러 프로젝트가 진행 중입니다. 그러나 최첨단 모델의 지속적인 확장은 단일 데이터센터가 제공할 수 있는 에너지를 초월하며, 전체 도시의 에너지 소비량에 맞먹는 수준이 필요합니다. 문제는 에너지 출력뿐 아니라 단일 데이터센터의 물리적 제한에도 있습니다.

참고자료

이러한 최첨단 모델의 사전학습 단계를 넘어서더라도, 새로운 추론 모델과 DeepSeek의 등장으로 인해 추론(Inference) 단계의 비용이 크게 증가할 것입니다. @fortytwonetwork 팀이 말했듯이:

"기존의 대규모 언어 모델(LLMs)과 달리, 추론 모델은 더 많은 처리 시간을 할당함으로써 더 똑똑한 응답을 생성하는 것을 우선시합니다. 그러나 이러한 전환은 트레이드오프를 동반합니다: 동일한 컴퓨팅 자원으로 처리할 수 있는 요청 수가 줄어듭니다. 이러한 의미 있는 개선을 실현하기 위해 모델은 더 많은 '사고' 시간을 필요로 하며, 이는 컴퓨팅 자원의 부족을 더욱 악화시킵니다.

컴퓨팅 자원의 부족은 이미 명백합니다. 예를 들어 OpenAI는 API 호출을 분당 1만 회로 제한하며, 이는 실제로 AI 애플리케이션이 동시에 약 3,000명의 사용자에게만 서비스할 수 있음을 의미합니다. 최근 트럼프 대통령이 발표한 5,000억 달러 규모의 AI 인프라 계획인 Stargate와 같은 야심 찬 프로젝트조차도 이 문제를 일시적으로 완화할 수 있을 뿐입니다.

제번스의 역설(Jevons’ Paradox)에 따르면 효율성 향상은 종종 수요 증가로 인해 자원 소비 증가로 이어집니다. AI 모델이 더 강력하고 효율적이 되면서, 새로운 사용 사례와 더 광범위한 채택으로 인해 컴퓨팅 수요가 급증할 수 있습니다."

그렇다면 암호화는 어디에서 등장하는가? 블록체인이 어떻게 AI 탐색 및 개발에 진정으로 의미 있게 기여할 수 있는가?

암호화 기술은 글로벌 분산 + 탈중앙화 학습 및 경제적 조정이라는 근본적으로 다른 접근 방식을 제공합니다. 새로운 데이터센터를 건설하는 대신, 게임 기기, 암호화폐 채굴 장비, 기업 서버 등 대부분 시간 동안 유휴 상태인 수백만 개의 기존 GPU를 활용할 수 있습니다. 마찬가지로 블록체인은 소비자 기기의 유휴 컴퓨팅 자원을 활용하여 탈중앙화된 추론을 실현할 수도 있습니다.

분산 학습이 직면한 주요 문제 중 하나는 지연(latency)입니다. 암호 요소 외에도 Prime Intellect와 Nous와 같은 팀들은 GPU 간 통신 요구를 줄이기 위한 기술적 돌파구를 연구하고 있습니다:

DiLoCo(Prime Intellect): Prime Intellect의 구현은 통신 요구를 500배 줄여 대륙을 넘어선 학습이 가능하게 하며, 90-95%의 컴퓨팅 활용도를 달성합니다.
DisTrO/DeMo(Nous Research): Nous Research의 옵티마이저 제품군은 이산 코사인 변환(DCT) 압축 기술을 통해 통신 요구를 857배 줄였습니다.

그러나 기존의 조정 메커니즘은 탈중앙화 AI 학습에 내재된 신뢰 문제를 해결할 수 없습니다. 블록체인의 고유 특성은 여기서 제품-시장 적합성(PMF)을 찾을 수 있습니다:

검증 및 오류 허용 능력: 탈중앙화 학습은 참여자가 악성 또는 오류 계산을 제출하는 문제에 직면합니다. 암호화 기술은 암호학적 검증 방안(예: Prime Intellect의 TOPLOC)과 불량 행위를 방지하기 위한 경제적 처벌 메커니즘을 제공합니다.
허가 없는 참여: 전통적인 분산 컴퓨팅 프로젝트가 승인 절차를 필요로 하는 것과 달리, 암호화 기술은 진정한 허가 없는 기여를 허용합니다. 유휴 컴퓨팅 자원을 가진 누구나 즉시 참여하여 수익을 얻을 수 있으므로, 이용 가능한 자원 풀을 극대화할 수 있습니다.
경제적 인센티브 일치: 블록체인 기반 인센티브 메커니즘은 개별 GPU 소유자의 이익을 집단 학습 목표와 일치시켜, 이전에는 유휴 상태였던 컴퓨팅 자원을 경제적으로 생산적으로 만듭니다.

이러한 점을 고려할 때, 탈중앙화 AI 스택의 팀들은 AI 확장 문제를 어떻게 해결하고 블록체인을 어떻게 활용하며, 어떤 증명 포인트가 있는가?

Prime Intellect: 분산 및 탈중앙화 학습
1. DiLoCo: 통신 요구를 500배 줄여 대륙을 넘어선 학습이 가능하게 함.
2. PCCL: 동적 멤버 가입, 노드 장애를 처리하며 대륙 간 45Gbit/s의 통신 속도를 실현.
3. 현재 전 세계적으로 분산된 워커 노드를 통해 320억 파라미터 모델을 학습 중.
4. 실제 운영 환경에서 90-95%의 컴퓨팅 활용도를 달성.
5. 성과: INTELLECT-1(100억 파라미터) 및 INTELLECT-2(320억 파라미터)의 성공적인 학습을 통해 대규모 모델의 대륙 간 학습 실현.
Nous Research: 탈중앙화 학습 및 통신 최적화
1. DisTrO/DeMo: 이산 코사인 변환(DCT) 기술을 통해 통신 요구를 857배 줄임.
2. Psyche Network: 블록체인 조정 메커니즘을 활용하여 오류 허용 능력과 인센티브 메커니즘을 제공하여 컴퓨팅 자원 가동.
3. 인터넷 상에서 가장 큰 규모의 사전학습 중 하나를 완료하고 Consilience(400억 파라미터)를 학습함.
Pluralis: 프로토콜 학습(Protocol Learning) 및 모델 병렬 처리

Pluralis는 기존의 오픈소스 AI와 다른 접근 방식인 프로토콜 학습(Protocol Learning)을 채택합니다. Prime Intellect 및 Nous와 같은 다른 탈중앙화 학습 프로젝트가 사용하는 데이터 병렬 처리(data parallelism)와 달리, Pluralis는 데이터 병렬 처리가 경제적 결함이 있으며, 단순히 컴퓨팅 자원을 풀링하는 것으로는 최첨단 모델 학습에 필요한 요구를 충족할 수 없다고 봅니다. 예를 들어 Llama3(4000억 파라미터)는 16,000대의 80GB H100 GPU를 필요로 합니다.

출처: 링크

프로토콜 학습(Protocol Learning)의 핵심 개념은 모델 학습자에게 실제 가치 포획 메커니즘을 도입하여 대규모 학습에 필요한 컴퓨팅 자원을 모을 수 있게 하는 것입니다. 이 메커니즘은 학습 기여에 비례하여 부분 모델 소유권을 할당함으로써 이루어집니다. 이 아키텍처 하에서 신경망은 협력적으로 학습되지만, 완전한 가중치 집합은 어떤 단일 참가자도 추출할 수 없습니다(이를 프로토콜 모델 Protocol Models이라고 함). 이 설정에서 어떤 참가자가 완전한 모델 가중치를 얻고자 한다면, 재학습에 드는 비용보다 더 큰 계산 비용이 필요합니다.

프로토콜 학습의 구체적인 작동 방식은 다음과 같습니다:

모델 조각화(sharding): 각 참가자는 완전한 가중치가 아닌 모델의 일부 조각(shards)만 보유합니다.
협력 학습: 학습 과정은 활성값(activations)을 참가자 간에 전달해야 하지만, 누구도 완전한 모델을 볼 수 없습니다.
추론 자격증명: 추론은 자격증명이 필요하며, 이는 참가자의 학습 기여도에 따라 배분됩니다. 이를 통해 기여자는 모델의 실제 사용을 통해 수익을 얻을 수 있습니다.

프로토콜 학습의 의미는 모델을 경제적 자원 또는 상품으로 전환하여 완전한 금융화가 가능하게 한다는 점입니다. 이를 통해 프로토콜 학습은 진정으로 경쟁력 있는 학습 작업을 지원하기 위해 필요한 컴퓨팅 규모를 실현할 수 있습니다. Pluralis는 폐쇄형 개발의 지속 가능성(예: 폐쇄형 모델 출시를 통한 안정적 수익)과 오픈소스 협업의 이점을 결합하여 탈중앙화 AI 발전에 새로운 가능성을 제공합니다.

Fortytwo: 탈중앙화 군집 추론(Decentralized Swarm Inference)

출처: 링크

다른 팀들이 분산 및 탈중앙화 학습 과제에 집중하는 동안, Fortytwo는 분산 추론에 집중하며군집 지능(Swarm Intelligence)을 통해 추론 단계의 컴퓨팅 자원 부족 문제를 해결합니다.
Fortytwo는 추론 주변의 점점 심각해지는 컴퓨팅 부족 문제를 해결합니다. M2 칩이 탑재된 MacBook Air와 같은 소비자용 하드웨어의 유휴 컴퓨팅 능력을 활용하기 위해 Fortytwo는 전문화된 소형 언어 모델들을 네트워크로 연결합니다.
Fortytwo는 여러 소형 언어 모델들을 네트워크로 연결하며, 이 노드들은 서로의 기여를 협력적으로 평가하고 피어 투 피어 평가를 통해 네트워크 효율을 증폭시킵니다. 최종 생성된 응답은 네트워크 내 가장 가치 있는 기여를 기반으로 하여 추론 효율성을 뒷받침합니다.
흥미롭게도, Fortytwo의 추론 네트워크 접근법은 분산/탈중앙화 학습 프로젝트들과 보완적일 수 있습니다. 미래의 시나리오를 상상해보세요: Fortytwo 노드에서 실행되는 소형 언어 모델(SLMs)이 바로 Prime Intellect, Nous 또는 Pluralis를 통해 학습된 모델일 수 있습니다. 이러한 분산 학습 프로젝트들이 함께 노력하여 오픈소스 기초 모델(Foundation Models)을 만들고, 특정 분야에 맞게 미세 조정한 후, 결국 Fortytwo의 네트워크 조정을 통해 추론 작업을 완료할 수 있습니다.